Fugu-MT 論文翻訳(概要): SurGNN: Explainable visual scene understanding and assessment of surgical skill using graph neural networks

論文の概要: SurGNN: Explainable visual scene understanding and assessment of surgical skill using graph neural networks

arxiv url: http://arxiv.org/abs/2308.13073v1
Date: Thu, 24 Aug 2023 20:32:57 GMT
ステータス: 処理完了
システム内更新日: 2023-08-28 15:51:55.190979
Title: SurGNN: Explainable visual scene understanding and assessment of surgical skill using graph neural networks
Title（参考訳）: surgnn:グラフニューラルネットワークを用いた視覚的なシーン理解と手術スキルの評価
Authors: Shuja Khalid, Frank Rudzicz
Abstract要約: 本稿では,グラフニューラルネットワーク(GNN)を用いて視覚的シーン理解と手術的スキルアセスメントを高める方法について検討する。 GNNは解釈可能な結果を提供し、予測されたスキルメトリクスに寄与する特定のアクション、楽器、または解剖学的構造を明らかにする。
参考スコア（独自算出の注目度）: 19.57785997767885
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper explores how graph neural networks (GNNs) can be used to enhance visual scene understanding and surgical skill assessment. By using GNNs to analyze the complex visual data of surgical procedures represented as graph structures, relevant features can be extracted and surgical skill can be predicted. Additionally, GNNs provide interpretable results, revealing the specific actions, instruments, or anatomical structures that contribute to the predicted skill metrics. This can be highly beneficial for surgical educators and trainees, as it provides valuable insights into the factors that contribute to successful surgical performance and outcomes. SurGNN proposes two concurrent approaches -- one supervised and the other self-supervised. The paper also briefly discusses other automated surgical skill evaluation techniques and highlights the limitations of hand-crafted features in capturing the intricacies of surgical expertise. We use the proposed methods to achieve state-of-the-art results on EndoVis19, and custom datasets. The working implementation of the code can be found at https://github.com/<redacted>.
Abstract（参考訳）: 本稿では,グラフニューラルネットワーク(gnns)を用いて視覚シーン理解と手術スキル評価の強化について検討する。 gnnを用いてグラフ構造として表現された手術手順の複雑な視覚データを解析することにより、関連する特徴を抽出し、手術スキルを予測することができる。さらに、GNNは解釈可能な結果を提供し、予測されたスキルメトリクスに寄与する特定のアクション、計器、解剖学的構造を明らかにする。これは外科教育者や研修生にとって非常に有益であり、外科的パフォーマンスと成果に寄与する要因についての貴重な洞察を提供する。 SurGNNは2つの並行アプローチを提案している。また,他の手術スキル評価手法についても簡潔に解説し,手術専門知識の複雑さを捉える際の手作りの特徴の限界を強調する。提案手法を用いて,EndoVis19およびカスタムデータセットの最先端結果を実現する。コードの実装はhttps://github.com/<redacted>で確認できる。

関連論文リスト

Graph Neural Networks for Brain Graph Learning: A Survey [53.74244221027981]
グラフニューラルネットワーク(GNN)は、グラフ構造化データのマイニングにおいて大きな優位性を示している。脳障害解析のための脳グラフ表現を学習するGNNが最近注目を集めている。本稿では,GNNを利用した脳グラフ学習の成果をレビューすることで,このギャップを埋めることを目的としている。
論文参考訳（メタデータ） (2024-06-01T02:47:39Z)
Hypergraph-Transformer (HGT) for Interactive Event Prediction in Laparoscopic and Robotic Surgery [50.3022015601057]
腹腔内ビデオから外科的ワークフローの重要なインタラクティブな側面を理解し,予測できる予測型ニューラルネットワークを提案する。我々は,既存の手術用データセットとアプリケーションに対するアプローチを検証し,アクション・トリプレットの検出と予測を行った。この結果は、非構造的な代替案と比較して、我々のアプローチの優位性を示している。
論文参考訳（メタデータ） (2024-02-03T00:58:05Z)
Dynamic Scene Graph Representation for Surgical Video [37.22552586793163]
我々は、シーングラフを、より包括的で意味があり、人間の読みやすい方法で、手術ビデオを表現するために活用する。 CaDISとCATARACTSのセマンティックセグメンテーションからシーングラフデータセットを作成する。モデル決定の妥当性と堅牢性について,手術シーングラフの利点を実証する。
論文参考訳（メタデータ） (2023-09-25T21:28:14Z)
Information Flow in Graph Neural Networks: A Clinical Triage Use Case [49.86931948849343]
グラフニューラルネットワーク(GNN)は、マルチモーダルグラフとマルチリレーショナルグラフを処理する能力によって、医療やその他の領域で人気を集めている。 GNNにおける埋め込み情報のフローが知識グラフ(KG)におけるリンクの予測に与える影響について検討する。以上の結果から,ドメイン知識をGNN接続に組み込むことで,KGと同じ接続を使用する場合や,制約のない埋め込み伝搬を行う場合よりも優れた性能が得られることが示された。
論文参考訳（メタデータ） (2023-09-12T09:18:12Z)
Surgical tool classification and localization: results and methods from the MICCAI 2022 SurgToolLoc challenge [69.91670788430162]
SurgLoc 2022 チャレンジの結果を示す。目標は、ツール検出のためにトレーニングされた機械学習モデルにおいて、ツールの存在データを弱いラベルとして活用することだった。これらの結果を機械学習と手術データ科学の幅広い文脈で論じることで結論付ける。
論文参考訳（メタデータ） (2023-05-11T21:44:39Z)
DynDepNet: Learning Time-Varying Dependency Structures from fMRI Data via Dynamic Graph Structure Learning [58.94034282469377]
下流予測タスクによって誘導されるfMRIデータの最適時間変化依存性構造を学習する新しい手法であるDynDepNetを提案する。実世界のfMRIデータセットの実験は、性別分類のタスクにおいて、DynDepNetが最先端の結果を達成することを実証している。
論文参考訳（メタデータ） (2022-09-27T16:32:11Z)
Video-based assessment of intraoperative surgical skill [7.79874072121082]
本稿では,RGBビデオを用いて直接スキル評価を行う2つのディープラーニング手法を提案し,検証する。第1の方法は,楽器の先端をキーポイントとして予測し,時間的畳み込みニューラルネットワークを用いて外科的スキルを学ぶことである。第2の方法では,フレームワイド・エンコーダ(2次元畳み込みニューラルネットワーク)と時間モデル(リカレントニューラルネットワーク)を含む外科的スキル評価のための新しいアーキテクチャを提案する。
論文参考訳（メタデータ） (2022-05-13T01:45:22Z)
Surgical Gesture Recognition Based on Bidirectional Multi-Layer Independently RNN with Explainable Spatial Feature Extraction [10.469989981471254]
本研究では, 説明可能な特徴抽出プロセスを用いて, 効果的な外科的ジェスチャー認識手法の開発を目指す。本稿では,双方向マルチ層独立RNN(BML-indRNN)モデルを提案する。 dcnnのブラックボックス効果を解消するために、勾配重み付けクラスアクティベーションマッピング(grad-cam)を用いる。その結果,提案手法に基づく縫合作業の精度は87.13%であり,最先端のアルゴリズムよりも優れていた。
論文参考訳（メタデータ） (2021-05-02T12:47:19Z)
Deep Neural Networks for the Assessment of Surgical Skills: A Systematic Review [6.815366422701539]
530の論文をレビューし,25の論文を体系的レビューに選定した。深層ニューラルネットワークは,キネマティックデータとビデオデータの両方を用いて自動的,客観的な手術スキル評価を行うための強力なツールである,と結論づけた。この分野は、手術訓練生や専門家の人口統計や、キネマティックスやビデオ以外のマルチモーダルデータを代表する、大きくて一般公開された注釈付きデータセットの恩恵を受けるだろう。
論文参考訳（メタデータ） (2021-03-03T10:08:37Z)
Learning and Reasoning with the Graph Structure Representation in Robotic Surgery [15.490603884631764]
グラフ表現を推論する学習は、ロボット手術における外科的シーン理解において重要な役割を果たす。我々は,シーングラフを作成し,楽器と外科的関心領域の間の外科的相互作用を予測する手法を開発した。
論文参考訳（メタデータ） (2020-07-07T11:49:34Z)
Node Masking: Making Graph Neural Networks Generalize and Scale Better [71.51292866945471]
グラフニューラルネットワーク(GNN)は近年,多くの関心を集めている。本稿では,芸術空間のGNNの状態によって実行される操作をよりよく可視化するために,いくつかの理論ツールを利用する。私たちはNode Maskingというシンプルなコンセプトを導入しました。
論文参考訳（メタデータ） (2020-01-17T06:26:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。